Étude sur la méthode de prédiction de la dépression basée sur le Conformal Prediction

Introduction contextuelle

La dépression est un trouble mental courant, caractérisé par une tristesse persistante, une faiblesse et une perte d’intérêt pour les activités. Elle augmente non seulement le risque de suicide, mais impose également un lourd fardeau psychologique aux patients et à leurs familles. Actuellement, le diagnostic de la dépression repose principalement sur des rapports de santé mentale tels que l’échelle de dépression de Beck (BDI-II), l’échelle de notation de la dépression de Hamilton (HRSD) et le questionnaire de santé du patient (PHQ-8). Cependant, ces méthodes de diagnostic dépendent de l’expérience subjective des cliniciens et des capacités cognitives des patients, ce qui les rend chronophages et peu efficaces.

Ces dernières années, avec le développement rapide des techniques d’apprentissage profond, les méthodes de prédiction de la dépression basées sur l’apprentissage profond ont montré un grand potentiel. Toutefois, ces modèles profonds sont souvent déployés comme des « boîtes noires », manquant de fiabilité et incapables de fournir un degré de confiance dans leurs prédictions. Pour des applications cliniques à haut risque comme la prédiction de la dépression, la quantification de l’incertitude est essentielle dans le processus décisionnel. À cet égard, cette étude propose une méthode de prédiction de la dépression basée sur le Conformal Prediction (CP) appelée Conformal Depression Prediction (CDP), visant à fournir des intervalles de confiance avec une garantie théorique de couverture pour les prédictions du modèle.

Origine de l’article

Cet article a été co-rédigé par Yonghong Li, Shan Qu et Xiuzhuang Zhou. Yonghong Li et Xiuzhuang Zhou sont issus de l’École d’Intelligence Artificielle de l’Université des Postes et Télécommunications de Pékin, tandis que Shan Qu appartient au Département de Psychiatrie de l’Hôpital des Peuples de l’Université de Pékin. L’article a été publié dans la revue IEEE Transactions on Affective Computing, en 2025, avec le DOI 10.1109/TAFFC.2025.3542023.

Processus de recherche

1. Objectifs et aperçu des méthodes

L’objectif principal de cette recherche est de développer une méthode de quantification de l’incertitude pour la prédiction de la dépression faciale. Plus précisément, les auteurs proposent deux méthodes : Conformal Depression Prediction (CDP) et sa version améliorée, CDP-acc. Le CDP utilise le Conformal Prediction pour fournir des intervalles de confiance avec une garantie de couverture marginale pour les prédictions du modèle, tandis que le CDP-acc optimise davantage les intervalles de confiance via une couverture conditionnelle approximative, les rendant plus serrés et adaptés à des entrées spécifiques.

2. Jeux de données et choix des modèles

L’étude utilise deux ensembles de données couramment utilisés pour la prédiction de la dépression faciale : AVEC 2013 et AVEC 2014. Ces ensembles de données contiennent des vidéos faciales où chaque image est marquée par un score BDI-II. Les chercheurs ont choisi les réseaux classiques C3D et SlowFast comme modèles de base pour la prédiction de la dépression faciale.

3. Méthodes de quantification de l’incertitude

a) Méthode CDP

L’idée centrale de la méthode CDP est d’utiliser le Conformal Prediction pour fournir des intervalles de confiance pour les prédictions du modèle. Les étapes spécifiques sont les suivantes : 1. Construction de l’ensemble de calibration : Diviser le jeu de données en ensemble d’entraînement, ensemble de calibration et ensemble de test. 2. Entraînement du modèle : Utiliser l’ensemble d’entraînement pour entraîner un modèle de réseau neuronal profond. 3. Calcul des intervalles de confiance : Calculer les écarts de prédiction sur l’ensemble de calibration, servant de Conformal Score, puis calculer les intervalles de confiance selon le niveau de confiance défini par l’utilisateur.

b) Méthode CDP-acc

La méthode CDP-acc optimise davantage les intervalles de confiance via une couverture conditionnelle approximative. Les étapes spécifiques sont les suivantes : 1. Estimation de la distribution de prédiction : Diviser les prédictions sur l’ensemble de calibration en plusieurs sous-intervalles et estimer la distribution conditionnelle dans chaque sous-intervalle. 2. Construction des intervalles de confiance : Selon la distribution conditionnelle estimée, construire des séquences imbriquées et calculer les intervalles de confiance de largeur minimale.

4. Expériences et évaluations

L’étude évalue les performances des méthodes de quantification de l’incertitude à l’aide des indicateurs suivants : - Probabilité de couverture de l’intervalle de prédiction (PICP) : Mesure la probabilité que l’intervalle de confiance couvre la valeur réelle. - Largeur moyenne de l’intervalle de prédiction (MPIW) : Mesure la largeur moyenne de l’intervalle de confiance. - Couverture stratifiée (SSC) : Évalue la couverture conditionnelle des différentes méthodes selon différents niveaux de gravité de la dépression.

Résultats principaux

1. Erreurs de prédiction

L’étude compare les erreurs de prédiction pour différentes fonctions de perte d’entraînement et architectures de réseau. Les résultats montrent que la régression quantile (QR) présente des erreurs de prédiction plus faibles dans la plupart des cas, en particulier sur le jeu de données AVEC 2013.

2. Performance de la quantification de l’incertitude

Les méthodes CDP et CDP-acc se distinguent par leurs performances en termes de PICP et MPIW. Le CDP-acc réduit significativement la largeur des intervalles de confiance tout en maintenant la couverture. En particulier, sur le jeu de données AVEC 2014, le PICP du CDP-acc atteint 93,72 % avec un MPIW de seulement 20,17.

3. Évaluation de la couverture conditionnelle

La méthode CDP-acc excelle dans l’évaluation de la couverture conditionnelle, avec des valeurs SSC proches de 1-α, indiquant que cette méthode peut mieux s’adapter aux prédictions de différents niveaux de gravité de la dépression.

Conclusion de l’étude

Les méthodes CDP et CDP-acc proposées dans cette étude offrent un cadre efficace de quantification de l’incertitude pour la prédiction de la dépression faciale. Le CDP fournit des intervalles de confiance avec une garantie théorique de couverture marginale pour les prédictions du modèle, tandis que le CDP-acc optimise davantage les intervalles de confiance via une couverture conditionnelle approximative, les rendant plus serrés et adaptés à des entrées spécifiques. Les résultats expérimentaux montrent que le CDP-acc réduit considérablement la largeur des intervalles de confiance tout en maintenant la couverture, offrant une quantification plus précise de l’incertitude pour la prédiction de la dépression.

Points forts de l’étude

1. Méthodologie innovante : Cette étude applique pour la première fois le Conformal Prediction à la prédiction de la dépression, proposant une méthode de quantification de l’incertitude sans nécessiter de réentraîner le modèle.
2. Garanties théoriques : La méthode CDP offre des intervalles de confiance avec une garantie théorique de couverture, assurant la fiabilité des prédictions.
3. Valeur pratique : Les méthodes CDP et CDP-acc fournissent un support décisionnel plus fiable pour la prédiction de la dépression, ayant une importance particulière dans les applications cliniques à haut risque.

Autres informations intéressantes

L’étude a également effectué une analyse paramétrique, explorant l’impact du nombre de sous-intervalles sur les performances du CDP-acc. Les résultats montrent qu’un nombre de sous-intervalles égal à 14 permet au CDP-acc d’atteindre le meilleur équilibre entre PICP et MPIW. De plus, l’étude compare l’impact des différentes méthodes d’estimation de la distribution empirique sur les performances du CDP-acc, révélant que la méthode d’estimation par histogramme fonctionne le mieux dans la plupart des cas.